Mouvement brownien branchant avec s ´election
PASCAL MAILLARD, directeur de th `ese: ZHANSHI LPMA – Universit ´e Pierre et Marie Curie (Paris VI)
CIRM (Luminy) – 17 avril 2012
pascal.maillard upmc fr
Mouvement brownien branchant (BBM)
D ´efinition
Une particule diffuse selon un mouvement brownien issu de x ∈R.
A taux 1, ellebranche,i.e.elle meurt et donne naissance `aL enfants (VarL<∞).
Chaque enfant r ´ep `ete ce processus ind ´ependamment des autres.
position x
time
Mouvement brownien branchant (BBM)
D ´efinition
Une particule diffuse selon un mouvement brownien issu de x ∈R.
A taux 1, ellebranche,i.e.elle meurt et donne naissance `aL enfants (VarL<∞).
Chaque enfant r ´ep `ete ce processus ind ´ependamment des autres.
position x
~exp(1) time
Mouvement brownien branchant (BBM)
D ´efinition
Une particule diffuse selon un mouvement brownien issu de x ∈R.
A taux 1, ellebranche,i.e.elle meurt et donne naissance `aL enfants (VarL<∞).
Chaque enfant r ´ep `ete ce processus ind ´ependamment des autres.
position x
~exp(1) time
. . .
Mouvement brownien branchant (BBM) (2)
Context
Un exemple d’un processus de branchement multitype
(espace des types: R)
Analogue discret : Marche al ´eatoire branchante Mod `ele d’une population asexu ´ee avec mutations. Type/position =fitness. Autres interpr ´etations : verre de spin (avec hi ´erarchie∞); polym `ere dirig ´e sur un arbre; prototype detravelling wave (apr `es)
position x
~exp(1) time
. . .
Mouvement brownien branchant (BBM) (2)
Context
Un exemple d’un processus de branchement multitype
(espace des types: R) Analogue discret : Marche al ´eatoire branchante
Mod `ele d’une population asexu ´ee avec mutations. Type/position =fitness. Autres interpr ´etations : verre de spin (avec hi ´erarchie∞); polym `ere dirig ´e sur un arbre; prototype detravelling wave (apr `es)
position x
~exp(1) time
. . .
Mouvement brownien branchant (BBM) (2)
Context
Un exemple d’un processus de branchement multitype
(espace des types: R) Analogue discret : Marche al ´eatoire branchante Mod `ele d’une population asexu ´ee avec mutations.
Type/position =fitness.
Autres interpr ´etations : verre de spin (avec hi ´erarchie∞); polym `ere dirig ´e sur un arbre; prototype detravelling wave (apr `es)
position x
~exp(1) time
. . .
Mouvement brownien branchant (BBM) (2)
Context
Un exemple d’un processus de branchement multitype
(espace des types: R) Analogue discret : Marche al ´eatoire branchante Mod `ele d’une population asexu ´ee avec mutations.
Type/position =fitness.
Autres interpr ´etations : verre de spin (avec hi ´erarchie∞);
polym `ere dirig ´e sur un arbre;
position x
~exp(1) time
. . .
Mouvement brownien branchant (BBM) (3)
Particule la plus `a droite On suppose que
m:=E[L]−1>0. SoitRt la position de la particule la plus `a droite. Alors, quand t → ∞, presque surement,
Rt t →√
2m=:v0.
Image par ´Eric Brunet
La s ´election entre en jeu...
D ´efinition (Wikip ´edia)
En biologie, la s ´election naturelle est l’un des m ´ecanismes qui causent l’ ´evolution des esp `eces. [...] la s ´election naturelle est le fait que les traits qui favorisent la survie et la reproduction voient leur fr ´equence s’accroˆıtre d’une g ´en ´eration `a l’autre.
Pour nous : Nous tuons les individus de la population de basse fitness, pour ´eviter que la population croisse trop vite (ressources limit ´ees, espace....)
Deux mod `eles fondamentaux
1 BBM avec absorption:f(t)une fonction continue. On tue un individu quand sa position/fitnessX(t)devient plus petite quef(t).
2 BBM avec taille de population constante (N-BBM): On fixe N ∈N. D `es que le nombre d’individus d ´epasseN, on tue les individus les plus `a gauche, afin de r ´eduire la taille de la population `aN.
La s ´election entre en jeu...
D ´efinition (Wikip ´edia)
En biologie, la s ´election naturelle est l’un des m ´ecanismes qui causent l’ ´evolution des esp `eces. [...] la s ´election naturelle est le fait que les traits qui favorisent la survie et la reproduction voient leur fr ´equence s’accroˆıtre d’une g ´en ´eration `a l’autre.
Pour nous : Nous tuons les individus de la population de basse fitness, pour ´eviter que la population croisse trop vite (ressources limit ´ees, espace....)
Deux mod `eles fondamentaux
1 BBM avec absorption:f(t)une fonction continue. On tue un individu quand sa position/fitnessX(t)devient plus petite quef(t).
2 BBM avec taille de population constante (N-BBM): On fixe N ∈N. D `es que le nombre d’individus d ´epasseN, on tue les individus les plus `a gauche, afin de r ´eduire la taille de la population `aN.
La s ´election entre en jeu...
D ´efinition (Wikip ´edia)
En biologie, la s ´election naturelle est l’un des m ´ecanismes qui causent l’ ´evolution des esp `eces. [...] la s ´election naturelle est le fait que les traits qui favorisent la survie et la reproduction voient leur fr ´equence s’accroˆıtre d’une g ´en ´eration `a l’autre.
Pour nous : Nous tuons les individus de la population de basse fitness, pour ´eviter que la population croisse trop vite (ressources limit ´ees, espace....)
Deux mod `eles fondamentaux
1 BBM avec absorption:f(t)une fonction continue. On tue un individu quand sa position/fitnessX(t)devient plus petite quef(t).
2 BBM avec taille de population constante (N-BBM): On fixe N ∈N. D `es que le nombre d’individus d ´epasseN, on tue les individus les plus `a gauche, afin de r ´eduire la taille de la population `aN.
La s ´election entre en jeu...
D ´efinition (Wikip ´edia)
En biologie, la s ´election naturelle est l’un des m ´ecanismes qui causent l’ ´evolution des esp `eces. [...] la s ´election naturelle est le fait que les traits qui favorisent la survie et la reproduction voient leur fr ´equence s’accroˆıtre d’une g ´en ´eration `a l’autre.
Pour nous : Nous tuons les individus de la population de basse fitness, pour ´eviter que la population croisse trop vite (ressources limit ´ees, espace....)
Deux mod `eles fondamentaux
1 BBM avec absorption:f(t)une fonction continue. On tue un individu quand sa position/fitnessX(t)devient plus petite quef(t).
2 BBM avec taille de population constante (N-BBM): On fixe N ∈N. D `es que le nombre d’individus d ´epasseN, on tue les individus les plus `a gauche, afin de r ´eduire la taille de la population `aN.
Branching Brownian motion with absorption
position 0
time
. . . -x
y = -x + ct
Normalement on prendf(t) =−x+ct (barri `ere lin ´eaire). A ´et ´e ´etudi ´e en d ´etail, entre autre par
Kesten(78), Neveu(87),
Biggins–Kyprianou(04), Kyprianou(04), Harris–Harris–Kyprianou(06),
Gantert–Hu–Shi(11),
2×Berestycki–Schweinsberg(10,10), Addario-Berry–Broutin(10), A¨ıd ´ekon(10), M.(10), A¨ıd ´ekon–Hu–Zindy(11)... et dans la litt ´erature physique...
BBM avec taille de population constante (N-BBM)
Image par ´Eric Brunet
Beaucoup plus dur que BBM avec absorption:
forte interaction entre les particules
pas de description exacte par des ´equations diff ´erentielles
A pr ´esent seulement deux ´etudes rigoureuses : B ´erard–Gou ´er ´e(10), Durrett–Remenik(09)
MAIS : Heuristique d ´etaill ´ee gr ˆace aux travaux de physiciens :
Brunet–Derrida(97,99,01,04), Brunet–Derrida–Mueller– Munier(06,06,07)
BBM avec taille de population constante (N-BBM)
Image par ´Eric Brunet
Beaucoup plus dur que BBM avec absorption:
forte interaction entre les particules
pas de description exacte par des ´equations diff ´erentielles A pr ´esent seulement deux ´etudes rigoureuses : B ´erard–Gou ´er ´e(10), Durrett–Remenik(09)
MAIS : Heuristique d ´etaill ´ee gr ˆace aux travaux de physiciens :
Brunet–Derrida(97,99,01,04), Brunet–Derrida–Mueller– Munier(06,06,07)
BBM avec taille de population constante (N-BBM)
Image par ´Eric Brunet
Beaucoup plus dur que BBM avec absorption:
forte interaction entre les particules
pas de description exacte par des ´equations diff ´erentielles A pr ´esent seulement deux ´etudes rigoureuses : B ´erard–Gou ´er ´e(10), Durrett–Remenik(09)
MAIS : Heuristique d ´etaill ´ee gr ˆace aux travaux de physiciens :
Brunet–Derrida(97,99,01,04), Brunet–Derrida–Mueller–
Munier(06,06,07)
Heuristique du N-BBM (BDMM 06)
La plupart du temps, le nuage de particule se d ´eplace `a vitesse constantevNdet=v0q
1− π2
log2N, ayant un profil “stationnaire”.
Apr `es un temps d’ordre log3N, une particule “s’ ´evade” vers la droite
Cette particule g ´en `ere un grand nombre de descendants (d’ordre N), ce qui entraˆıne un saut (d’ordre 1) du syst `eme vers la droite. Le syst `eme retrouve sa forme stationnaire au bout d’un temps d’ordre log2N, puis r ´ep `ete ce processus.
En total, la vitesse du syst `eme estvN+O(1), o `u
vN =v0 s
1− π2
(logN+3 log logN)2 =vNdet+v03π2log logN
log3N +o(1), avec des fluctuations d’ordre 1/log3N.
Heuristique du N-BBM (BDMM 06)
La plupart du temps, le nuage de particule se d ´eplace `a vitesse constantevNdet=v0q
1− π2
log2N, ayant un profil “stationnaire”.
Apr `es un temps d’ordre log3N, une particule “s’ ´evade” vers la droite
Cette particule g ´en `ere un grand nombre de descendants (d’ordre N), ce qui entraˆıne un saut (d’ordre 1) du syst `eme vers la droite. Le syst `eme retrouve sa forme stationnaire au bout d’un temps d’ordre log2N, puis r ´ep `ete ce processus.
En total, la vitesse du syst `eme estvN+O(1), o `u
vN =v0 s
1− π2
(logN+3 log logN)2 =vNdet+v03π2log logN
log3N +o(1), avec des fluctuations d’ordre 1/log3N.
Heuristique du N-BBM (BDMM 06)
La plupart du temps, le nuage de particule se d ´eplace `a vitesse constantevNdet=v0q
1− π2
log2N, ayant un profil “stationnaire”.
Apr `es un temps d’ordre log3N, une particule “s’ ´evade” vers la droite
Cette particule g ´en `ere un grand nombre de descendants (d’ordre N), ce qui entraˆıne un saut (d’ordre 1) du syst `eme vers la droite.
Le syst `eme retrouve sa forme stationnaire au bout d’un temps d’ordre log2N, puis r ´ep `ete ce processus.
En total, la vitesse du syst `eme estvN+O(1), o `u
vN =v0 s
1− π2
(logN+3 log logN)2 =vNdet+v03π2log logN
log3N +o(1), avec des fluctuations d’ordre 1/log3N.
Heuristique du N-BBM (BDMM 06)
La plupart du temps, le nuage de particule se d ´eplace `a vitesse constantevNdet=v0q
1− π2
log2N, ayant un profil “stationnaire”.
Apr `es un temps d’ordre log3N, une particule “s’ ´evade” vers la droite
Cette particule g ´en `ere un grand nombre de descendants (d’ordre N), ce qui entraˆıne un saut (d’ordre 1) du syst `eme vers la droite.
Le syst `eme retrouve sa forme stationnaire au bout d’un temps d’ordre log2N, puis r ´ep `ete ce processus.
En total, la vitesse du syst `eme estvN+O(1), o `u
vN =v0 s
1− π2
(logN+3 log logN)2 =vNdet+v03π2log logN
log3N +o(1), avec des fluctuations d’ordre 1/log3N.
Heuristique du N-BBM (BDMM 06)
La plupart du temps, le nuage de particule se d ´eplace `a vitesse constantevNdet=v0q
1− π2
log2N, ayant un profil “stationnaire”.
Apr `es un temps d’ordrelog3N, une particule “s’ ´evade” vers la droite
Cette particule g ´en `ere un grand nombre de descendants (d’ordre N), ce qui entraˆıne un saut (d’ordre 1) du syst `eme vers la droite.
Le syst `eme retrouve sa forme stationnaire au bout d’un temps d’ordre log2N, puis r ´ep `ete ce processus.
En total, la vitesse du syst `eme estvN+O(1), o `u
vN =v0 s
1− π2
(logN+3 log logN)2 =vNdet+v03π2log logN
log3N +o(1), avec des fluctuations d’ordre 1/log3N.
Heuristique du N-BBM (BDMM 06)
La plupart du temps, le nuage de particule se d ´eplace `a vitesse constantevNdet=v0q
1− π2
log2N, ayant un profil “stationnaire”.
Apr `es un temps d’ordrelog3N, une particule “s’ ´evade” vers la droite
Cette particule g ´en `ere un grand nombre de descendants (d’ordre N), ce qui entraˆıne un saut (d’ordre 1) du syst `eme vers la droite.
Le syst `eme retrouve sa forme stationnaire au bout d’un temps d’ordrelog2N, puis r ´ep `ete ce processus.
En total, la vitesse du syst `eme estvN+O(1), o `u
vN =v0 s
1− π2
(logN+3 log logN)2 =vNdet+v03π2log logN
log3N +o(1), avec des fluctuations d’ordre 1/log3N.
Heuristique du N-BBM (BDMM 06)
La plupart du temps, le nuage de particule se d ´eplace `a vitesse constantevNdet=v0q
1− π2
log2N, ayant un profil “stationnaire”.
Apr `es un temps d’ordrelog3N, une particule “s’ ´evade” vers la droite
Cette particule g ´en `ere un grand nombre de descendants (d’ordre N), ce qui entraˆıne un saut (d’ordre 1) du syst `eme vers la droite.
Le syst `eme retrouve sa forme stationnaire au bout d’un temps d’ordrelog2N, puis r ´ep `ete ce processus.
En total, la vitesse du syst `eme estvN+O(1), o `u
vN =v0 s
1− π2
(logN+3 log logN)2 =vNdet+v03π2log logN
log3N +o(1),
R ´esultat principal
LN(t): position de la particule la plus `a gauche (barycentre, m ´edian...) au tempst.
Theorem (M. (en pr ´eparation))
On suppose qu’au temps0les N particules se trouvent en “phase stationnaire”. Alors,
LN(tlog3N)−vNtlog3N
t≥0 fidis
=⇒(Lt)t≥0.
o `u(Lt)t≥0est un processus de L ´evy avec une certaine d ´erive c ∈R, sans composant brownien et de mesure de L ´evyν, o `u
ν([x,∞)) =v02π2 1
ev0x −1 and suppν = (0,∞).
R ´esultat principal
LN(t): position de la particule la plus `a gauche (barycentre, m ´edian...) au tempst.
Theorem (M. (en pr ´eparation))
On suppose qu’au temps0les N particules se trouvent en “phase stationnaire”. Alors,
LN(tlog3N)−vNtlog3N
t≥0 fidis
=⇒(Lt)t≥0.
o `u(Lt)t≥0est un processus de L ´evy avec une certaine d ´erive c ∈R, sans composant brownien et de mesure de L ´evyν, o `u
ν([x,∞)) =v02π2 1
ev0x −1 and suppν = (0,∞).
Simulation – position (recentr ´ee) du barycentre
1010particles
Simulation – position (recentr ´ee) du barycentre (2)
Id ´ee de la preuve
Approcher leN-BBM par le BBM avec une barri `ere absorbante bien choisie ; on note sa positionXt.
1 Tant qu’aucune particule ne s’ ´evade,Xt = (vN−A)t, pourAgrand
−→r ´egime ´etudi ´e par BBS (10)
2 Quant une particule s’ ´evade, on pose
Xt = (vN−A)t+f∆(tlog2N),
pour une certaine variable al ´eatoire∆et une certaine famille de fonctions croissantes(fx)x≥0donn ´ees explicitement (par la fonction theta de Jacobi), et satisfaisantfx(0) =0,fx(∞) =x.
3 Apr `es relaxation: r ´ep ´eter.
Id ´ee de la preuve
Approcher leN-BBM par le BBM avec une barri `ere absorbante bien choisie ; on note sa positionXt.
1 Tant qu’aucune particule ne s’ ´evade,Xt = (vN−A)t, pourAgrand
−→r ´egime ´etudi ´e par BBS (10)
2 Quant une particule s’ ´evade, on pose
Xt = (vN−A)t+f∆(tlog2N),
pour une certaine variable al ´eatoire∆et une certaine famille de fonctions croissantes(fx)x≥0donn ´ees explicitement (par la fonction theta de Jacobi), et satisfaisantfx(0) =0,fx(∞) =x.
3 Apr `es relaxation: r ´ep ´eter.
Id ´ee de la preuve
Approcher leN-BBM par le BBM avec une barri `ere absorbante bien choisie ; on note sa positionXt.
1 Tant qu’aucune particule ne s’ ´evade,Xt = (vN−A)t, pourAgrand
−→r ´egime ´etudi ´e par BBS (10)
2 Quant une particule s’ ´evade, on pose
Xt = (vN−A)t+f∆(tlog2N),
pour une certaine variable al ´eatoire∆et une certaine famille de fonctions croissantes(fx)x≥0donn ´ees explicitement (par la fonction theta de Jacobi), et satisfaisantfx(0) =0,fx(∞) =x.
3 Apr `es relaxation: r ´ep ´eter.
Id ´ee de la preuve
Approcher leN-BBM par le BBM avec une barri `ere absorbante bien choisie ; on note sa positionXt.
1 Tant qu’aucune particule ne s’ ´evade,Xt = (vN−A)t, pourAgrand
−→r ´egime ´etudi ´e par BBS (10)
2 Quant une particule s’ ´evade, on pose
Xt = (vN−A)t+f∆(tlog2N),
pour une certaine variable al ´eatoire∆et une certaine famille de fonctions croissantes(fx)x≥0donn ´ees explicitement (par la fonction theta de Jacobi), et satisfaisantfx(0) =0,fx(∞) =x.
3 Apr `es relaxation: r ´ep ´eter.
Les fonctions f
x0.0 0.1 0.2 0.3 0.4
2 4 6 8
NB : Preuve simple que cette fonction est monotone−→question sur MathOverflow.
Les fonctions f
x0.0 0.1 0.2 0.3 0.4
2 4 6 8
NB : Preuve simple que cette fonction est monotone−→question sur MathOverflow.
Les fonctions f
x0.0 0.1 0.2 0.3 0.4
2 4 6 8
NB : Preuve simple que cette fonction est monotone−→question sur MathOverflow.
Relation avec ´equation FKPP bruit ´ee
Equation FKPP bruit ´ee´
u(t,x) :R+×R→[0,1]
∂tu=∂xx2 u+u(1−u)+εp
u(1−u) ˙W u(0,x) =1(x<0) (IC)
Admet des solutions “travelling wave” de ph ´enom ´enologie identique `a celle duN-BBM (N∼ε−2)
Duale au BBM avec coalescence de particules `a tauxε2.
Relation avec ´equation FKPP bruit ´ee
Equation FKPP bruit ´ee´
u(t,x) :R+×R→[0,1]
∂tu=∂xx2 u+u(1−u)+εp
u(1−u) ˙W u(0,x) =1(x<0) (IC)
Admet des solutions “travelling wave” de ph ´enom ´enologie identique `a celle duN-BBM (N∼ε−2)
Duale au BBM avec coalescence de particules `a tauxε2.
Relation avec ´equation FKPP bruit ´ee
Equation FKPP bruit ´ee´
u(t,x) :R+×R→[0,1]
∂tu=∂xx2 u+u(1−u)+εp
u(1−u) ˙W u(0,x) =1(x<0) (IC)
Admet des solutions “travelling wave” de ph ´enom ´enologie identique `a celle duN-BBM (N∼ε−2)
Duale au BBM avec coalescence de particules `a tauxε2.
TODO
G ´en ´ealogie (coalescent de Bolthausen–Sznitman) Vitesse
Lien avec processus de Fleming–Viot
Processus de L ´evy branchants, marches al ´eatoires branchantes Milieux inhomog `enes/al ´eatoires
...
Merci pour votre attention !
(et bon ap’)
TODO
G ´en ´ealogie (coalescent de Bolthausen–Sznitman) Vitesse
Lien avec processus de Fleming–Viot
Processus de L ´evy branchants, marches al ´eatoires branchantes Milieux inhomog `enes/al ´eatoires
...
Merci pour votre attention !
(et bon ap’)